CN116224870A - 一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法 - Google Patents

Abstract

本发明提供一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法，属于植物工厂的环境调控技术领域。为解决反馈控制将环境参数控制保持在某一个精确的点上，高精度的控制策略伴随着高能耗，且高精度的环境控制并不适用温室环境控制的问题。本发明系统包括：多协议无线网络、植物光合作用反馈控制子系统和环境监测与调控子系统；环境监测与调控子系统用于温室环境的监测与控制；植物光合作用反馈控制子系统用于根据温室环境信息数据反馈控制温室环境，使环境参数达到满足作物生长的最适条件，最大程度上节约电能。多协议无线网络包括主节点及ZigBee、LoRa以及Cat 1三种双向通信无线网络，通过混合组网的形式使网络更加灵活、扩展性更强。

Description

一种基于多网络融合和植物光合作用反馈的智慧种植环境控 制系统及方法

技术领域

本发明涉及植物工厂的环境调控技术领域，具体而言，涉及一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法。

背景技术

近年来，植物工厂受到世界各国的高度关注，原因在于植物工厂是可以通过控制环境参数实现农作物周年连续生产的高效植物生产系统。然而追求高产量的同时，也伴随着高能耗以及高成本。植物工厂的生产成本包括前期投入、控制设备以及电力成本等。而人工光型植物工厂的能耗主要受管控设备的电力成本影响。

植物工厂的环境是一个时变非线性、多变量强耦合的系统。环境控制是农业生物学、环境科学、计算机控制与管理科学的综合应用。目前，人们在解决温室控制这个问题上做了不少探索，采用了很多种控制策略和方法。现有的环境控制系统大多数通过传感器和执行器装置的运行，依据人为经验主动设定阈值来营造植物生长所需要的温度、湿度、光照强度以及CO₂浓度等。这种控制方法通常没有考虑作物生长需求，导致环境调控不足或者过量，从而影响作物生长，造成能源浪费。此外，这种系统受外界扰动非常敏感，控制精度和稳定性较低。为了解决这一问题，有学者开展了相关研究，实现了动态反馈调节，具有很好的应用前景。反馈调节可以按照植物所需的生长条件实现环境优化控制，合理调度执行器，从而提高环境资源优化利用率并相对降低系统能耗，提高产量。然而应用植物生理模型来反馈调控环境参数需要可靠的监测与控制系统，由于受到数据传输系统的限制，使环境监测难以灵活的、可扩展的覆盖温室内外；同时，传统的控制方法大多研究一个或两个参数，将环境参数控制保持在某一个精确的点上，需要具有高精度的控制策略，但是高精度通常伴随着高能耗，同时传感器与执行器需要以较高的频率运行。植物生理学研究表明，在一段时间，只需室内平均环境参数

能够被维持就足够了，因此，面对相互冲突的温室环境控制，高精度的控制或许是不适用。在人工光型植物工厂条件下，对于垂直培养的作物，尤其是水培蔬菜，环境的合理优化控制及系统成本与能耗方面的研究较少。

发明内容

本发明要解决的技术问题是：

现有技术中，受到数据传输系统的限制，使环境监测难以灵活的、可扩展的覆盖温室内外，且现有的反馈控制将环境参数控制保持在某一个精确的点上，需要具有高精度的控制策略，同时也伴随着高能耗，且高精度的环境控制并不适用温室环境控制的问题。

本发明为解决上述技术问题所采用的技术方案：

本发明提供了一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，包括：多协议无线网络、植物光合作用反馈控制子系统和环境监测与调控子系统；

所述环境监测与调控子系统用于环境数据的采集与环境的监测与控制，并实现多传感器融合、多执行设备融合机制，同时实现采集数据与控制指令的可视化；

所述植物光合作用反馈控制子系统用于采集温室环境信息数据，并根据温室环境信息数据计算调控范围并制定控制策略，以反馈控制温室环境；

所述多协议无线网络包括主节点及ZigBee、LoRa以及Cat 1三种双向通信无线网络；所述主节点接收环境监测与调控子系统及植物光合作用反馈控制子系统采集的数据，并向两个系统发送控制指令以控制环境，其中，ZigBee网络用于近距离下的环境监控，LoRa网络用于远距离下的环境监控，Cat 1网络用于将收集、分类的数据上传到云平台，并传送云平台的控制指令。

进一步地，所述环境监测与调控子系统包括：数据采集模块、控制模块和执行模块，数据采集模块包括多个采集器，每个采集器连接有多个传感器；控制模块包括与采集器相对应的多个控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括与采集器中传感器相对应的执行设备；每个采集器采集的数据传输至所述主节点，通过所述主节点将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。

进一步地，所述植物光合作用反馈控制子系统包括：数据采集模块、控制模块和执行模块；数据采集模块包括至少一个采集器，每个采集器连接有叶面温度传感器、PPFD传感器、CO₂浓度传感器；控制模块包括与采集器相对应的控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括压缩机、生长灯和CO₂发生器；每个采集器采集的叶面温度、PPFD值和CO₂浓度数据传输至所述主节点，所述主节点根据采集的数据计算调控范围并制定控制策略，将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。

进一步地，所述主节点配置有光合速率预测模型和环境优化控制模型；

所述光合速率预测模型基于LS-SVM，采用高斯核函数作为模型的核函数，利用5折交叉验证的均方根误差MSE作为优化目标，对核函数进行优化，模型以采集的叶面温度、PPFD值和CO₂浓度数据作为输入，以作物光合速率作为输出，对植物光合速率进行预测；所述环境优化控制模型基于NSGA-Ⅱ算法，以LS-SVM得到的光合速率预测模型作为目标函数，根据对单一环境参数进行研究确定各环境参数的约束条件，构建环境优化控制模型，利用NSGA-II算法对环境优化控制模型中的决策变量进行求解，以获得最优环境参数，制定控制策略，根据输出的最优环境参数和控制策略对温室内部环境参数进行反馈控制。

进一步地，所述光合速率预测模型的功能实现过程为：

给定环境训练数据点(X，Y)，其中X＝(X₁，X₂，…，X_N)^T是N维的输入向量，X_i(i＝1，2，...，N)由PPFD X₁、叶面温度X₂以及CO₂浓度X₃组成，Y＝(Y₁，Y₂，…，Y_N)^T是相应的输出数据，Y_j(j＝1，2，...，N)是光合速率；N是训练样本个数，采用非线性函数φ(X)将输入空间映射到特征空间，构建非线性函数为：

f(X)＝<φ(X)，ω>+b (1)

其中，ω是权重向量，b是偏置项；

基于结构化风险最小化原则，评估问题被描述为优化问题：

其中，minJ(ω，e)为最小优化的目标函数，s.t.为约束条件，γ是用于确定模型复杂度和精度之间权衡的正则化参数，e_i表示输出的实际值和预测值之间的回归误差；

为了解决公式(2)的优化问题，构造相应的拉格朗日函数为：

其中，α_i是拉格朗日乘数；

根据Kuhn-Tucker条件，将ω、b、e_i、α_i导数设为零，得到问题最优解的条件：

通过消除ω和e_i，四个线性问题可以简化为：

其中，Y＝[Y₁，…，Y_N]^T，a＝[α₁，…，α_N]^T，1_v＝[1，…，1]^T，K是一个N×N核函数的对称矩阵：K_ij＝K(X_i，Y_j)＝φ(X_i)^Tφ(Y_j)i，j＝1，2，...，N；其中，K(X_i，Y_j)是高斯核函数；

最终建立的光合速率预测模型为：

其中，P_n代表作物光合速率，α≥0，X_i是第i个样本的输入向量，公式(7)代表高斯核函数，(X₁,X₂,X₃)为核函数中心，X₁～X₃代表PPFD、叶面温度以及CO₂浓度，σ为函数的宽度参数。

进一步地，所述环境优化控制模型基于算法1和算法2；

所述算法1根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，然后通过多目标遗传算法NSGA-Ⅱ搜索Pareto前沿及产生算法2所需要的初始种群P₀’；所述算法2由嵌套循环构成，内循环负责依照控制策略调度执行设备；控制策略根据采集的环境数据不断的修订，外循环负责判断调控偏差是否在兼容控制区域内；

所述算法1基于多目标遗传算法NSGA-Ⅱ，通过NSGA-Ⅱ算法搜索Pareto前沿，设置全局变量并随机生成一个初始种群P₀，对种群P₀进行非支配排序并计算种群个体的拥挤度，进行迭代计算，经历选择、交叉和变异，将更新的候选种群和原种群合并，并重新进行Pareto分层和计算拥挤度，之后完成精英保留并进入下一代；根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，得到种群P₀’；

所述算法2基于多目标遗传算法NSGA-Ⅱ，其输入为算法1输出的初始种群P₀’，以及对应的Pareto前沿F₁，传感器与执行设备被初始化；通过NSGA-Ⅱ算法对种群P₀’进行非支配排序并计算拥挤度，获取最终种群P，并将其Pareto前沿F₁应用于制定控制策略，以调度执行设备调控环境。

相较于现有技术，本发明的有益效果是：

本发明一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法，建立的多协议无线网络，通过混合组网的形式使网络更加灵活、扩展性更强；植物光合作用反馈控制子系统中光合速率预测模型采用最小二乘支持向量机(LS-SVM)算法，通过对影响作物生长的各种环境因子的分析，确定光合速率预测模型的输入，对能够充分反应作物生长状态的光合速率进行预测，环境优化控制模型以光合速率预测模型的输出为目标函数，结合多目标兼容控制算法将最优控制点动态调整次优区间，以合理调度执行设备，使环境参数达到满足作物生长的最适条件，最大程度上节约电能，实现植物光合作用反馈控制。植物光合作用反馈控制子系统和环境监测与调控子系统的数据存储在云端，可被用于一致性分析以及对实验控制结果进行验证，同时也会供管理员进行植物生理状况监测。管理员可以设定预警信息以提示自己植物所处的生长状态与时期，以便于对系统进行校正。

附图说明

图1为本发明实施例中基于多网络融合和植物光合作用反馈的智慧种植环境控制系统的示意图；

图2为本发明实施例中环境监测与调控子系统和植物光合作用反馈控制子系统示意图；

图3为本发明实施例中手机小程序监控云平台中功能界面图；

图4为本发明实施例中环境控制优化模型的计算流程；

图5为本发明实施例中算法1的流程图；

图6为本发明实施例中算法2的流程图；

图7为本发明实施例中部分数据采集节点设备和执行节点设备图；

图8为本发明实施例中一天中的叶面温度和环境温度数据图；

图9为本发明实施例中测试集光合速率预测值与测量值的对比图；

图10为本发明实施例中光合速率预测模型的部分预测结果图；

图11为本发明实施例中环境优化控制模型的控制效果图；

图12为本发明实施例中主节点、控制节点和采集节点的工作电流图。

具体实施方式

在本发明的描述中，应当说明的是，在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

具体实施方案一：如图1所示，本发明提供一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，包括：多协议无线网络、植物光合作用反馈控制子系统和环境监测与调控子系统；

所述环境监测与调控子系统用于环境数据的采集与环境的监测与控制，并实现多传感器融合、多执行设备融合机制，同时实现采集数据与控制指令的可视化；

所述植物光合作用反馈控制子系统用于采集温室环境信息数据，并根据温室环境信息数据计算调控范围并制定控制策略，以反馈控制温室环境；

所述多协议无线网络包括主节点及ZigBee、LoRa以及Cat 1三种双向通信无线网络；所述主节点接收环境监测与调控子系统及植物光合作用反馈控制子系统采集的数据，并向两个系统发送控制指令以控制环境，其中，ZigBee网络用于近距离下的环境监控，LoRa网络用于远距离下的环境监控，Cat 1网络用于将收集、分类的数据上传到云平台，并传送云平台的控制指令。

本实施方案中植物光合作用反馈控制子系统和环境监测与调控子系统，每一个时间周期(10分钟)进行一次环境信息数据采集及环境控制，降低了设备功耗，且采用RTC实时时钟用来监测时间。本实施方案通过云平台使传感器的数据可视化，保证了所收集数据的存储和安全性。如果在网络连接期间或向云服务器发送数据期间发生超时，节点将重新进入休眠模式并进入下一个唤醒周期。这种方法保证了设备耗电量处于最低水平。主节点作为系统中心，所有数据和指令都经由主节点，所以只需要管理主节点即可。

具体实施方案二：所述环境监测与调控子系统包括：数据采集模块、控制模块和执行模块，数据采集模块包括多个采集器，每个采集器连接有多个传感器；控制模块包括与采集器相对应的多个控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括与采集器中传感器相对应的执行设备；每个采集器采集的数据传输至所述主节点，通过所述主节点将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。本实施方案其他与具体实施方案一相同。

如图2所示，本实施方案中数据采集模块包括采集器2#、3#……n#，采集器2#连接有温度传感器和湿度传感器，采集器3#连接有PH传感器和EC传感器(检测离子浓度)；控制模块包括与采集器2#、3#……n#相对应的控制器2#、3#……m#；执行模块包括与控制器2#、3#……m#相对应的执行设备组，控制器2#对应风扇和加湿器，控制器3#对应水泵。采集器2#采集的温、湿度数据传输至主节点，通过主节点将控制指令传输至控制器2#，通过控制器2#控制风扇和加湿器，以调节环境温、湿度；采集器3#采集的水中PH值和离子浓度值数据传输至主节点，通过主节点将控制指令传输至控制器3#，通过控制器3#控制水泵，以调节水的PH值和离子浓度。

本实施方案中每个执行设备都有单独的硬件电路板及无线网络设备，可以实现自主调控执行设备的开启、关闭和执行时间。云平台实时显示数据并进行存储，以便于后期进行数据分析，从而了解植物在不同时期的生长规律以及是否有可重复利用的材料。植物工厂内的监控视频可以在云平台进行查看，同时也可以发送控制指令。如图3所示，云平台中所有功能可在手机和PC端实现。

具体实施方案三：如图2所示，所述植物光合作用反馈控制子系统包括：数据采集模块、控制模块和执行模块；数据采集模块包括至少一个采集器，每个采集器连接有叶面温度传感器、PPFD传感器、CO₂浓度传感器；控制模块包括与采集器相对应的控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括压缩机、生长灯和CO₂发生器；每个采集器采集的叶面温度、PPFD值(光量子通量密度)和CO₂浓度数据传输至所述主节点，所述主节点根据采集的数据计算调控范围并制定控制策略，将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。本实施方案其他与具体实施方案一相同。

具体实施方案四：所述主节点配置有光合速率预测模型和环境优化控制模型；

所述光合速率预测模型基于LS-SVM，采用高斯核函数作为模型的核函数，利用5折交叉验证的均方根误差MSE作为优化目标，对核函数进行优化，模型以采集的叶面温度、PPFD值和CO₂浓度数据作为输入，以作物光合速率作为输出，对植物光合速率进行预测；所述环境优化控制模型基于NSGA-II算法，以LS-SVM得到的光合速率预测模型作为目标函数，根据对单一环境参数进行研究确定各环境参数的约束条件，构建环境优化控制模型，利用NSGA-II算法对环境优化控制模型中的决策变量进行求解，以获得最优环境参数，制定控制策略，根据输出的最优环境参数和控制策略对温室内部环境参数进行反馈控制。本实施方案其他与具体实施方案一相同。

具体实施方案五：所述光合速率预测模型的功能实现过程为：

给定环境训练数据点(X，Y)，其中X＝(X₁，X₂，…，X_N)^T是N维的输入向量，X_i(i＝1，2，...，N)由PPFD X₁、叶面温度X₂以及CO₂浓度X₃组成，Y＝(Y₁，Y₂，…，Y_N)^T是相应的输出数据，Y_j(j＝1，2，...，N)是光合速率；N是训练样本个数，采用非线性函数φ(X)将输入空间映射到特征空间，构建非线性函数为：

f(X)＝<φ(X)，ω>+b (1)

其中，ω是权重向量，b是偏置项；

基于结构化风险最小化原则，评估问题被描述为优化问题：

其中，minJ(ω，e)为最小优化的目标函数，s.t.为约束条件，γ是用于确定模型复杂度和精度之间权衡的正则化参数，e_i表示输出的实际值和预测值之间的回归误差；

为了解决公式(2)的优化问题，构造相应的拉格朗日函数为：

其中，α_i是拉格朗日乘数；

根据Kuhn-Tucker条件，将ω、b、e_i、α_i导数设为零，得到问题最优解的条件：

通过消除ω和e_i，四个线性问题可以简化为：

其中，Y＝[Y₁，…，Y_N]^T，α＝[α₁，…，α_N]^T，1_v＝[1，…，1]^T，K是一个N×N核函数的对称矩阵：K_ij＝K(X_i，Y_j)＝φ(X_i)^Tφ(Y_j)i，j＝1，2，...，N；其中，K(X_i，Y_j)是高斯核函数；

最终建立的光合速率预测模型为：

其中，P_n代表作物光合速率，α_i≥0，X_i是第i个样本的输入向量，公式(7)代表高斯核函数，(X₁，X₂，X₃)为核函数中心，X₁～X₃代表PPFD、叶面温度以及CO₂浓度，σ为函数的宽度参数。本实施方案其他与具体实施方案四相同。

具体实施方案六：如图4所示，所述环境优化控制模型基于算法1和算法2；

所述算法1根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，然后通过多目标遗传算法NSGA-II搜索Pareto前沿及产生算法2所需要的初始种群P₀’；所述算法2由嵌套循环构成，内循环负责依照控制策略调度执行设备；控制策略根据采集的环境数据不断的修订，外循环负责判断调控偏差是否在兼容控制区域内；

如图5所示，所述算法1基于多目标遗传算法NSGA-II，通过NSGA-II算法搜索Pareto前沿，设置全局变量并随机生成一个初始种群P₀，对种群P₀进行非支配排序并计算种群个体的拥挤度，进行迭代计算，经历选择、交叉和变异，将更新的候选种群和原种群合并，并重新进行Pareto分层和计算拥挤度，之后完成精英保留并进入下一代；根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，得到种群P₀’；

如图6所示，所述算法2基于多目标遗传算法NSGA-Ⅱ，其输入为算法1输出的初始种群P₀’，以及对应的Pareto前沿F₁，传感器与执行设备被初始化；通过NSGA-Ⅱ算法对种群P₀’进行非支配排序并计算拥挤度，获取最终种群P，并将其Pareto前沿F₁应用于制定控制策略，以调度执行设备调控环境。本实施方案其他与具体实施方案五相同。

实施例1

如图7所示，在东北农业大学(哈尔滨，中国)建立了一个植物工厂，对生菜进行植物监测实验。实验在总培养体积为60m³的受控环境中进行，温室有5个种植架，每个种植架由三层水培床组成。将同样长势的幼苗移栽到培养棉上，置于水培床上，每个水培床浮板上方0.6m处设有一个独立的LED生长灯，LED光谱是恒定不变的。在实验中，采用棋盘抽样法对9个数据采集点进行标记，各采集器采样间隔为10分钟，室外环境采集器的采样间隔与室内相同。

如图8所示，在5：00，LED被打开，叶面温度和环境温度逐渐产生差距，最大差距为3.6，最小差距为0，而平均差距达到2.1，在21：00，LED被关闭后二者逐渐近似相等。可见环境温度与植物叶面温度在不同时间存在不同的差异，因此，选择植物叶面温度能够更真实反应植物生理特征。

为建立植物生长的数据模型，对影响作物生长的各种环境因素进行监测，最终选择叶面温度、CO₂浓度和光量子通量密度(PPFD)作为光合速率预测模型的输入，选择能够反映植物生长的光合速率作为模型输出，三个环境参数均对光合速率产生影响。

采用Li-6400XT便携式光合系统测量不同梯度组合下各种环境因子的光合速率，环境梯度设置如表1所示。最终获取1000组样本数据，将数据随机划分为训练集(80％)和测试集(20％)，对模型进行训练和验证。

表1

如图9所示，光合速率测量值和预测值之间的相关性分析的确定系数(R²)为0.992，表明本发明建立的光合速率预测模型可以在各种环境下实现光合速率的精确预测，以用于优化控制策略。

如图10所示，可以看出叶面温度在27℃的时候植物光合速率达到最大值，大于该温度则会产生抑制作用。同时也可以看出，在二氧化碳浓度保持不变的情况下，随着光量子通量密度的升高，逐渐达到最大光合速率，之后光合速率不再增加，反而会降低。另外，适当增加二氧化碳浓度可使最大光合速率增加。

如图11所示，选取植物光合作用最强的时候的数据绘制控制效果图，经计算，平均温度为27.55℃，平均CO₂浓度为1214.20μmolmol^-1，平均PPFD为1709.51μmolm^-2s^-1，控制效果能够满足控制需求。从图中可以看出，温度与PPFD的控制效果更好一些，因为可以通过执行设备控制变量增大或降低，而CO₂浓度只能够通过CO₂发生器将浓度增大，降低是通过植物吸收来实现的，这样可以充分节省能源，避免浪费。进一步地，通过在采收期对蔬菜称重来验证实验控制效果，平均重量在138.7g/棵，高于基于人为经验的控制方法蔬菜平均重量80～100g/棵。

工作电流是评估系统低功耗性能的重要参数，如图12所示，主节点作为系统的核心控制器处于待机模式，主控芯片待机电流仅为2μA，主节点正常工作电流为140mA左右，当通信网络连接时，工作电流为190mA左右，之后恢复到140mA；采集节点设备既不采集数据也不发送数据时的工作电流为64mA左右，当发送数据时电流会增加到67mA左右，采集数据时电流为65mA左右；控制节点在执行设备未开始工作时的工作电流为70～80mA，当执行器开始工作时，控制节点工作电流为240～250mA。本发明相比于按照人为经验调控环境参数、给予植物固定的光照时间，设计更合理，能耗上消耗更低。

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (6)

1.一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于包括：多协议无线网络、植物光合作用反馈控制子系统和环境监测与调控子系统；

所述环境监测与调控子系统用于环境数据的采集与环境的监测与控制，并实现多传感器融合、多执行设备融合机制，同时实现采集数据与控制指令的可视化；

所述植物光合作用反馈控制子系统用于采集温室环境信息数据，并根据温室环境信息数据计算调控范围并制定控制策略，以反馈控制温室环境；

所述多协议无线网络包括主节点及ZigBee、LoRa以及Cat 1三种双向通信无线网络；所述主节点接收环境监测与调控子系统及植物光合作用反馈控制子系统采集的数据，并向两个系统发送控制指令以控制环境，其中，ZigBee网络用于近距离下的环境监控，LoRa网络用于远距离下的环境监控，Cat 1网络用于将收集、分类的数据上传到云平台，并传送云平台的控制指令。

2.根据权利要求1所述的基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于所述环境监测与调控子系统包括：数据采集模块、控制模块和执行模块，数据采集模块包括多个采集器，每个采集器连接有多个传感器；控制模块包括与采集器相对应的多个控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括与采集器中传感器相对应的执行设备；每个采集器采集的数据传输至所述主节点，通过所述主节点将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。

3.根据权利要求1所述的基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于所述植物光合作用反馈控制子系统包括：数据采集模块、控制模块和执行模块；数据采集模块包括至少一个采集器，每个采集器连接有叶面温度传感器、PPFD传感器、CO₂浓度传感器；控制模块包括与采集器相对应的控制器；执行模块包括与控制器相对应的执行设备组，每个执行设备组包括压缩机、生长灯和CO₂发生器；每个采集器采集的叶面温度、PPFD值和CO₂浓度数据传输至所述主节点，所述主节点根据采集的数据计算调控范围并制定控制策略，将控制指令传输至对应的控制器，通过控制器控制对应的执行设备。

4.根据权利要求1所述的基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于所述主节点配置有光合速率预测模型和环境优化控制模型；

所述光合速率预测模型基于LS-SVM，采用高斯核函数作为模型的核函数，利用5折交叉验证的均方根误差MSE作为优化目标，对核函数进行优化，模型以采集的叶面温度、PPFD值和CO₂浓度数据作为输入，以作物光合速率作为输出，对植物光合速率进行预测；所述环境优化控制模型基于NSGA-Ⅱ算法，以LS-SVM得到的光合速率预测模型作为目标函数，根据对单一环境参数进行研究确定各环境参数的约束条件，构建环境优化控制模型，利用NSGA-Ⅱ算法对环境优化控制模型中的决策变量进行求解，以获得最优环境参数，制定控制策略，根据输出的最优环境参数和控制策略对温室内部环境参数进行反馈控制。

5.根据权利要求4所述的基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于所述光合速率预测模型的功能实现过程为：

给定环境训练数据点(X，Y)，其中X＝(X₁,X₂,…,X_N)^T是N维的输入向量，X_i(i＝1，2，...，N)由PPFD X₁、叶面温度X₂以及CO₂浓度X₃组成，Y＝(Y₁,Y₂,…,Y_N)^T是相应的输出数据，Y_j(j＝1，2，...，N)是光合速率；N是训练样本个数，采用非线性函数φ(X)将输入空间映射到特征空间，构建非线性函数为：

f(X)＝<φ(X)，ω>+b (1)

其中，ω是权重向量，b是偏置项；

基于结构化风险最小化原则，评估问题被描述为优化问题：

其中，minJ(ω,e)为最小优化的目标函数，s.t.为约束条件，γ是用于确定模型复杂度和精度之间权衡的正则化参数，e_i表示输出的实际值和预测值之间的回归误差；

为了解决公式(2)的优化问题，构造相应的拉格朗日函数为：

其中，α_i是拉格朗日乘数；

根据Kuhn-Tucker条件，将ω、b、e_i、α_i导数设为零，得到问题最优解的条件：

通过消除ω和e_i，四个线性问题可以简化为：

其中，Y＝[Y₁,…,Y_N]^T，α＝[α₁,…,α_N]^T，1_v＝[1,…,1]^T，K是一个N×N核函数的对称矩阵：K_ij＝K(X_i,Y_j)＝φ(X)_i ^Tφ(Y_j)i,j＝1,2,…,N；其中，K(X_i,Y_j)是高斯核函数；

最终建立的光合速率预测模型为：

其中，P_n代表作物光合速率，α≥0，X_i是第i个样本的输入向量，公式(7)代表高斯核函数，(X₁,X₂,X₃)为核函数中心，X₁～X₃代表PPFD、叶面温度以及CO₂浓度，σ为函数的宽度参数。

6.根据权利要求5所述的基于多网络融合和植物光合作用反馈的智慧种植环境控制系统，其特征在于所述环境优化控制模型基于算法1和算法2；

所述算法1根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，然后通过多目标遗传算法NSGA-Ⅱ搜索Pareto前沿及产生算法2所需要的初始种群P₀’；所述算法2由嵌套循环构成，内循环负责依照控制策略调度执行设备；控制策略根据采集的环境数据不断的修订，外循环负责判断调控偏差是否在兼容控制区域内；

所述算法1基于多目标遗传算法NSGA-Ⅱ，通过NSGA-Ⅱ算法搜索Pareto前沿，设置全局变量并随机生成一个初始种群P₀，对种群P₀进行非支配排序并计算种群个体的拥挤度，进行迭代计算，经历选择、交叉和变异，将更新的候选种群和原种群合并，并重新进行Pareto分层和计算拥挤度，之后完成精英保留并进入下一代；根据基于LS-SVM构建的光合速率预测模型确定环境参数条件和控制约束，得到种群P₀’；

所述算法2基于多目标遗传算法NSGA-Ⅱ，其输入为算法1输出的初始种群P₀’，以及对应的Pareto前沿F₁，传感器与执行设备被初始化；通过NSGA-Ⅱ算法对种群P₀’进行非支配排序并计算拥挤度，获取最终种群P，并将其Pareto前沿F₁应用于制定控制策略，以调度执行设备调控环境。

Images